模式识别学习笔记（一）

          本文主要针对学过的模式识别知识做一些整理总结，其中引用整理了网上的一些资料，如果本文有不恰当的引用请联系博主删除。

一、基本概念

   模式识别(PatternRecognition)：确定一个样本的类别属性（模式类）的过程，即把某一样本归属于多个类型中的某个类型。

样本（Sample)：一个具体的研究（客观）对象。如患者，某人写的一个汉字，一幅图片等。

        模式(Pattern)：对客体（研究对象）特征的描述（定量的或结构的描述），是取自客观世界的某一样本的测量值的集合（或综合）。

        特征(Features)：能描述模式特性的量（测量值）。在统计模式识别方法中，通常用一个矢量    表示，称之为特征矢量，记为

模式类(Class)：具有某些共同特性的模式的集合。

模式识别的基本方法：

一、统计模式识别

模式描述方法：

        特征向量：

        模式判定：

        模式类用条件概率分布P(X/wi)表示，m类就有m个分布，然后判定位置模式属于哪一个分布。

        理论基础：概率论，数理统计

        主要方法：线性、非线性分类、Bayes决策、聚类分析

        主要优点：1）比较成熟  2）能考虑干扰噪声等影响   3）识别模式基元能力强

        主要缺点：1）对结构复杂的模式抽取特征困难     2）不能反映模式的结构特征，难以描述模式的性质   3）难以从整体角度考虑识别问题

二、句法模式识别：

        模式描述方法：符号串、树、图

        模式判定：是一种语言，用一个文法表示一个类，m类就有m个文法，然后判定未知模式遵循哪一个文法。

        理论基础：形式语言，自动机技术

        主要方法：自动机技术、CYK剖析算法、Early算法、转移图法

        主要优点：1）识别方便，可以从简单的基元开始，由简至繁。   2）能反映模式的结构特征，能描述模式的性质。   3）对图像畸变的抗干扰能力较强。

        主要缺点：

        当存在干扰及噪声时，抽取特征基元困难，且易失误。

 三、模糊模式识别

        模式描述方法：

        模糊集合 A={（μa，a），（μb，b），.  .  .（μn，n）}

        模式判定：是一种集合运算。用隶属度将模糊集合划分为若干子集，m类就有m个子集，然后根据择近原则分类。

        理论基础：模糊数学

        主要方法：模糊统计法、二元对比排序法、推理法、模糊集运算规则、模糊矩阵

         主要优点：由于隶属度函数作为样本与模板间相似程度的度量，故往往能反映整体与主体的特征，从而允许样本有相当程度的干扰与畸变

    主要缺点：准确合理的隶属度函数往往难以建立，故限制了它的应用。

四、人工神经网络法：

         模式描述方法：以不同活跃度表示的输入节点集（神经元）

         模式判定：是一个非线性动态系统。通过对样本的学习建立起记忆，然后将未知模式判决为其最接近的记忆。

         理论基础：神经生理学，心理学

         主要方法：BP模型、HOP模型、高阶网

         主要优点：可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题。允许样本有较大的缺损、畸变。

         主要缺点：模型在不断丰富与完善中，目前能识别的模式类还不够多。

五、罗辑思维推理法：

        模式描述方法：字符串表示的事实

        模式判定：是一种布尔运算。从事实出发运用一系列规则，推理得到不同结果，m个类就有m个结果。

        理论基础：演绎逻辑，布尔代数

        主要方法：产生式推理、语义网推理、框架推理

        主要优点：已建立了关于知识表示及组织，目标搜索及匹配的完整体系。对需要众多规则的推理达到识别目标确认的问题，有很好的效果。

        主要缺点：当样本有缺损，背景不清晰，规则不明确甚至有歧义时，效果不好。